IMPLEMENTASI DAN ANALISIS ALGORITMA GRAMMATICAL EVOLUTION UNTUK MENYELESAIKAN KASUS SANTA FE TRAIL
Ergandara Purba Setra1, Agung Toto Wibowo ST., MT.2, Untary Novia Wisesty ST., MT.3 Fakultas Informatika, Universitas Telkom
Jl. Telekomunikasi no 1, Bandung 1[email protected]
Abstraksi
Pada pengujian ini Santa fe Trail akan diselesaikan dengan algoritma Grammatical Evolution (GE). Grammar yang digunakan pada GE ini adalah grammar yang didefinisikan Koza serta grammar yang memodifikasi grammar Koza. Metode seleksi yang digunakan adalah roulette wheel dan Tournament selection. Seleksi menggunakan dua metode untuk dibandingkan perfomasinya.
Hasil pengujian didapatkan langkah terbaik pada grammar1 adalah 462 sedangkan pada grammar2 langkah terbaiknya adalah 405. Dengan menggunakan peta2, peta3 dan peta4 solusi tidak dapat ditemukan. Metode seleksi dengan menggunakan roulette wheel menghasilkan solusi yang lebih banyak dibandingkan dengan grammar2.
Kata kunci: Algoritma evolusi, grammatical evolution, Santa fe Trail
Abstract
In this experiments santa fe trail will be solved by using Grammatical Evolution (GE). Grammar that will be used with GE is grammar defined by Koza and another grammar that is modification of Koza’s Grammar. Roulette Wheel and Tournament selection will be used as parent selection method. Two selection methods is used to see its performance.
The best step for ant to get all of food is 462 with grammar1 and 405 with grammar2. Solution cannot be achieved when layout2, layout3 and layout4 is used. Roulette wheel achieved more solution than tournament selection.
Keyword: Evolution algorithm, grammatical evolution, santa fe trail
1. PENDAHULUAN
Santa fe trail merupakan kasus yang biasa digunakan untuk benchmarking algoritma.Tujuan dari kasus ini adalah mencarikan perintah – perintah untuk menggerakan ant agar ant ini dapat mengambil seluruh food yang disebarkan. Food yang disebarkan membentuk jalur, namun jalur tersebut tidak sepenuhnya tersambung. Terdapat beberapa rintangan yang harus bisa dilewati oleh ant.
Pengujian dengan menggunakan peta umum santa fe trail solusi bisa ditemukan. Sebagai contoh, Zusana, Ivan dan Roman dalam tulisannya yang berjudul Santa fe trail for artificial Ant by means of analytic programming and evolutionary computation melakukan pengujian dengan algoritma Differential Evolution (DE), Self-Organizing Migrating Algorithm (SOMA), Simulated Annealing (SA) untuk
menyelesaikan kasus santa fe trail. Hasil pengujian mereka, didapat langkah minimum 367 untuk DE, 396 ntuk SOMA dan 406 untuk SA.[14]
Namun bagaimana bila peta tersebut dimodifikasi? Akan dicoba beberapa peta yang memiliki penempatan food berbeda. Jalur yang dibentuk sama dengan peta umum. Yang membedakannya adalah pada peta2 akan dibuat dengan pola terpotong satu langkah antara food satu dengan lainnya, peta3 food disebarkan dengan jarak dua langkah antara food yang satu dengan lainnya dan pada peta4 polanya mengikuti peta umum namun pada beberapa tempat sebagian food akan dihilangkan.
1 0 1 1 0 0 1 1 1 1 0 1 1 1 0 0
1 0 1 1 0 0 1 1 1 1 0
Individu Fitness
Individu A 0.15
Individu B 0.2
Individu C 0.3
Individu D 0.35
terbaik kemudian akan digunakan untuk menguji kasus dengan beberapa peta lain.
2. GRAMMATICAL EVOLUTION (GE)
Algoritma ini merupakan salah satu dari algoritma evolusi. Untuk mencari solusinya GE ini menggunakan context free grammar. Backus Naus Form dan Wijngaarden Form merupakan contoh
context free grammar. Berikut komponen – komponen 2.5. Fitness
Gambar 2.2 Proses prune
yang terdapat pada algoritma:
2.1. Backus Naus Form
Backus Naus Form (BNF) merupakan notasi untuk mengekspresikan grammar suatu bahasa dalam bentuk production rules. Komponen – komponen BNF terdiri dari {N, T, P, S}. N merupakan non terminal, N
Nilai fitness menunjukan seberapa baik solusi yang diberikan oleh individu[11][12]. Nilai fitness suatu
individu mempengaruhi kemungkinan individu tersebut terpilih menjadi orang tua untuk menghasilkan individu baru yang lebih baik. Semakin besar nilai fitness semakin baik kualitas dari individu tersebut.
nilai bisa berubah tergantung production rules yang � Misalkan nilai
fitness dirumuskan sebagai =
didefinisikan. T merupakan terminal, T ini merupakan bentuk akhir dari grammar yang tidak dapat berubah lagi nilainya. P merupakan production rules, P ini berisikan aturan – aturan yang dapat merubah bentuk dari non terminal. S merupakan definisi awal dari grammar.
2.2. Translasi
Translasi merupakan proses perubahan individu menjadi solusi dengan menggunakan grammar yang telah didefinisikan. Proses dimulai dengan melakukan modulo gen pertama terhadap jumlah production rules yang berlaku. Hasil yang didapat bisa berupa non terminal atau terminal. Proses tersebut diulang terus hingga semua gen digunakan atau tidak ada lagi non terminal yang tersisa.
2.3. Duplikasi
Duplikasi merupakan proses pemanjangan kromosom. Kromosom dengan panjang N akan diperpanjang menjadi 2N. Nilai – nilai pada gen baru merupakan nilai – nilai yang ada pada gen sebelumnya namun urutan gen tersebut diacak.
. Semakin besar nilai a dan semakin kecil nilai b
�+1
maka suatu individu kualitasnya semakin baik. Bila terdapat individu setelah diproses didapatkan nilai a = 100 dan b = 0. Maka nilai fitness individu tersebut adalah𝑓 = 100 = 100.
0+1
2.6. Metode Seleksi
Seteleh semua individu dalam popluasi selesai diproses selanjutnya akan dipilih beberapa individu yang akan menjadi orang tua. Para orang tua digunakan untuk menghasilkan individu baru yang akan digunakan di generasi selanjutnya. Pada GE ini metode yang digunakan adalah Roulette Wheel dan Tournament Selection.
2.6.1. Roulette Wheel
Metode ini memberikan probabilitas yang lebih tinggi terhadap individu yang berkualitas. Semakin tinggi fitness (ukuran kualitas) individu maka probabilitasnya semakin tinggi. Misalkan terdapat individu berikut:
Tabel 21 Contoh Individu 1 0 1 1 0 0 1 1
1 0 1 1 0 0 1 1 1 1 0 1 1 1 0 0
2.4. Prune
Gambar2.1 Proses Duplikasi
Pada proses ini gen – gen pada kromosom yang tidak terpakai pada proses translasi akan dibuang. Gen – gen tersebut dibuang karena bila tetap disimpan akan mempengaruhi hasil crossocer apa bila individu tersebut terpilih menjadi orang tua.[11]
K E M U N G K I N A N
T E R P I L I H
A
keberadaan makanan di depannya. Umumnya terdapat 89 food yang disebarkan. Aturan – aturan yang akan digunakan adalah sebagai berikut: Titik awal ant berada di pojok kiri atas.
• ketika bergerak ant tidak bisa menembus
D
35% 15%
B batasan, maksudnya bila didepannya merupakan
batas peta. Ant tidak bisa maju dan muncul dari
C
30% 20%
sisi sebaliknya. Melainkan ant tidak bisa menjalankan perintah.
• Peta yang akan digunakan dalam pengujian Gambar2.1 Probabilitas terpilih
2.6.2. Tournament Selection
Dengan menggunakan metode ini semua individu memiliki kesempatan yang sama untuk menjadi calon orang tua. Mula – mula akan dipilih beberapa individu sejumlah K secara acak. Lalu tiap – tiap individu yang terpilih ditandingkan. Individu terbaik akan terpilih menjadi orang tua.[8]
Gambar 2.2 Proses Tournament
2.7. Crossover
Setelah seleksi selesai dilakukan maka individu – individu yang terpilih sebagai orang tua akan digabungkan sehingga tercipta individu baru. Bit pada orang tua akan dipotong pada titik tertentu, kemudian potongan – potongannya digabungkan dengan orang tua lainnya. Terdapat dua metode crossover, yaitu crossover satu titik dan crossover banyak titik.[11][12]
2.8. Elitisme
Proses ini menyimpan satu individu terbaik dalam satu generasi. Proses ini dilakukan agar individu yang baik tidak hilang ketiga populasi baru dibentuk.
2.9. Mutasi
Mutasi mengubah nilai – nilai pada individu. Bit yang bernilai 0 akan berubah menjadi 1 sedangkan bit bernilai 1 berubah menjadi 0. Mutasi ada tiga macam. Mutasi tingkat bit, mutasi tingkat gen dam mutasi tingkat kromosom.[11][12]
3. DESAIN PERMASALAHAN 3.1. Santa fe trail
Permasalahan dari kasus ini adalah mencari perintah – perintah untuk menggerakan ant. Ant disini hanya dapat melakukan beberapa perintah, seperti: Bergerak maju ke depan, berbalik arah ke samping kanan, berbalik arah ke samping kiri dan mengecek
jumlahnya empat. Peta1 merupakan peta santa fe trail umum. peta2 mengikuti jalur yang sama dengan peta1 namun pola penyebarannya berbeda, yaitu terpotong sebanyak satu langkah antara satu food dengan food lainnya. Peta3 mirip dengan peta2, perbedaannya peta3 ini langkah yang terpotong sebanyak dua langkah. Peta4 mirip dengan peta1, hanya saja pada beberapa titik ada food yang dihilangkan dari tempat semula. Jumlah food yang disebarkan dari masing – masing peta adalah peta1 sebanyak 89, peta2 sebanyak 40, peta3 sebanyak 40 dan peta4 sebanyak 75.
(a) Peta1 (b) Peta2
(c) Peta3 (d) Peta4
Gambar 3.1 Peta Pengujian
• Jumlah langkah maksimum adalah 650 langkah.
• Kondisi berhenti pencarian adalah apabila ant berhasil mendapatkan seluruh food atau jumlah langkah telah mencapai batas maksimum.
3.2. Grammar BNF
Grammar yang akan digunakan pada
T = {move, turn_left, turn_right, food_ahead}
S = <expr>
<expr> := <line> | <expr> <line>
<line> := IFELSE food_ahead <expr> <expr> | <op>
<op> := move | turn_left | turn_right
T = { move_forward, turn_left, turn_right, food_ahead, food_left, food_right }
S = { <expr> }
<expr> := IF food_ahead move_forward
IFELSE food_right turn_right
IFELSE food_left turn_left ELSE <op> <expr>
IF food_ahead move_forward
IFELSE food_right turn_right
IFELSE food_left turn_left ELSE <expr>
IF food_ahead move_forward
IFELSE food_right turn_right
IFELSE food_left turn_left ELSE <op>
memberikan perintah maju karenanya pada grammar2 hal tersebut diubah sehingga dipastikan ant bergerak maju bila kondisi pengecekan food bernilai true. Pada grammar2 juga ditambahkan pengecekan arah samping kiri dan kanan ant.
Tabel 3.1 Grammar1
<op>
<op> := move forward | turn_left | turn_right
3.3. Alur Proses
Algoritma akan diimplementasikan dengan alur proses sebagai berikut:
1) Populasi dibangkitkan dengan masing – masing individu diresentasikan dengan bilangan biner. 2) Ambil satu individu dari populasi, lalu konversi
kromosomnya ke representasi integer.
3) Translasikan individu dengan grammar. Translasi dilakukan seperti contoh berikut:
<expr> 11 mod 3 = 2
9 mod 2 = 1 IFELSE food_ahead [move] <expr> <line>
5 mod 2 = 1
15 mod 2 = 1
IFELSE food_ahead
Tabel 3.2 Grammar2
IFELSE food_ahead [move] <line>
<expr><expr>
13 mod 2 = 1
12 mod 2 = 0
IFELSE food_ahead IFELSE food_ahead [move] <op>
<line><expr>
4 mod 2 = 0
18 mod 3 = 0
IFELSE food_ahead
IFELSE food_ahead [move] [turn_right]
<op><expr>
Gambar 3.2 Proses Translasi
4) Lakukan proses Duplikasi atau prune bila diperlukan.
5) Eksekusi perintah yang dihasilkan terhadap peta. Ant akan berjalan terus menerus hingga kondisi berhenti tercapai.
Gambar 3.2 Proses Eksekusi
6) Hitung nilai fitnessnya. Nilai fitness dihitung 𝑀���𝑛�𝑛𝑡𝑒�����𝑖�
dengan rumus 𝑓 = ��������ℎ+1 *1000. Rumus
yang terambil dan semakin dikit langkah yang diperlukan maka semakin baik fitness individu. 7) Ulangi langkah (2) hingga seluruh individu
diproses.
8) Simpan Individu dengan fitness terbaik. Individu ini akan digunakan lagi di generasi selanjutnya. 9) Pilih beberapa individu untuk dijadikan orang tua. 10) Lakukan crossover terhadap individu yang terpilih
menjadi orang tua.
11) Lakukan Mutasi. (Dengan probabilitas tertentu). 12) Update populasi.
13) Ulangi hingga maksimum genereasi tercapai.
4. Pengujian
4.1. Skenario Pengujian
Setiap pengujian akan dilakukan dengan menggunakan dua populasi. Setiap populasi yang dibangkitkan akan dilahirkan individu – individu yang sama. Yang menyebabkan beragamnya individu tersebut adalah apabila crossover dilakukan karena dua populasi ini menggunakan metode seleksi yang berbeda untuk menyeleksi orang tuanya. Pengujian akan dilakukan dengan dua skenario.
Skenario1, Skenario ini menggunakan peta1; grammar1 & grammar2; metode seleksi roulette wheel & tournament selection. Hasil yang dilihat dari pengujian ini adalah performasi dari masing – masing grammar beserta pengaruh metode seleksi yang digunakan.
Skenario2, Skenario ini menggunakan peta2, peta3 dan peta4; grammar1 & grammar2; metode seleksi roulette wheel & tournament selection. Hal yang dilihat dari pegujian ini adalah apakah ant dapat mengambil seluruh food yang disebarkan pada peta – peta tersebut.
4.2. Hasil Pengujian 4.3. Skenario1
Hasil pengujian dengan menggunakan grammar1 terdapat 68 dari 240 pengujian yang mencapai solusi. Sedangkan dengan menggunakan grammar2 terdapat 146 dari 240 pengujian yang mencapai solusi. Hasil pengujian dengan grammar2 lebih konsisten dalam mencapai solusi. Grammar2 menambahkan pengecekan keaarah depan dan samping ant, hal ini menyebabkan performasi dengan grammar2 meningkat.
Gambar4.1 Hasil Pengujian skenario1
Dari pengujian dengan grammar1 dapat dilihat bahwa seleksi dengan roulette wheel memiliki performasi yang lebih baik dibandingkan dengan tournament selection. Namun pada pengujian dengan grammar2 kedua metode memiliki performasi yang sama. Hal ini bisa terjadi karena grammar2 memiliki performasi yang lebih baik dibanding grammar1 sehingga jumlah individu yang bisa menjadi solusi lebih banyak. Pada grammar1 kemungkinan individu yang merupakan solusi tidak sebanyak grammar2 sehingga metode seleksi lebih terlihat perbedaan performasinya. Roulette Wheel lebih cenderung individu yang memiliki fitness tinggi dalam seleksinya, dengan menggunakan individu yang berkualitas dalam crossover individu baru yang dilahirkan akan menjadi lebih baik. berbagai macam pola penyebaran food. Semua pengujian dengan peta – peta tersebut tidak mecapai solusi. Dari hasil pengujian dapat dilihat bahwa peta2 yang penyebarannya foodnya lebih rapat memiliki performasi yang lebih baik, 43 dari 48 food terambil, sedangkan pada peta3 hanya 28 dari 48 food yang terambil.
Pada peta4 food yang terambil sebanyak 50 dari 75. Walaupun peta ini memiliki pola yang sama dengan peta1 namun dengan menghilangkan beberapa food dibeberapa titik menyebabkan solusi tidak tercapai. Hal ini bisa terjadi karena pada peta1 penempatan foodnya sangat strategis sehingga banyak individu yang mungkin bisa menjadi solusi, namun bila pada beberapa titik ada food yang hilang pola perintah yang bisa menjadi solusi pun bisa menghilang.
5. PENUTUP 5.1. Kesimpulan
Kesimpulan yang dapat diambil dari hasil pengujian & analisis adalah sebagai berikut:
dapat tercapai namun jumlah langkah yang dicapai tidak sesuai harapan.
2) Metode seleksi memberi pengaruh terhadap solusi yang dihasilkan. Namun kinerja penyeleksian juga dipengaruhi oleh parameter lain. Seperti pada pengujian dengan grammar1 perbedaannya cukup mencolok dimana roulette wheel menghasilkan solusi yang lebih banyak. Namun pada pengujian lainnya kinerja kedua metode sama baiknya. 3) Hasil pengujian pada skenario2 tidak ada yang
mencapai solusi. Hal ini bisa terjadi karena dengan peta – peta tersebut kemungkinan individu yang merupakan solusi jumlahnya sedikit sehingga dengan maksimum generasi tersebut sulit untuk ditemukan atau bisa juga tidak ada individu (dengan paramter yang diujikan) yang merupakan solusi.
4) Solusi yang didapatkan berupa perintah untuk ant yang dilakukan berulang – ulang. Perintah tersebut memiliki batas dengan panjang tertentu.
Oleh karena itu pola penempatan food mempengaruhi apakah solusi (seluruh food terambil) dapat dicapai. Sebab tidak semua pola dapat terselesaikan dengan pengulangan perintah yang sama dengan panjang yang terbatas.
4.2. Saran
Hal – hal yang dapat dikembangkan untuk pembahasan berikutnya:
1) Menggunakan algoritma lainnya untuk perbandingan hasil.
2) Menggunakan representasi grammar lainnya selain BNF, seperti: Extended-Backus Naus Form (EBNF).
DAFTAR PUSTAKA
[1] C Ferreira.2001. Gene Expression Programming: A New Adaptive Algorithm for Solving Problems. Complex Systems, Vol. 13, issue 2: 87129.
[2] Eiben Agoston E., Smith J E.2007. Introduction to evolutionary Computing (Natural Computing Series). Springer.
[3] Futuyma, Douglas J. (2005). Evolution. Sunderland, Massachusetts: Sinauer Associates, Inc. ISBN 0-87893-187-2.
[4] J.H. Holland.1998. Adaptation in Natural and Artificial Systems: An Introductory Analysis with Applications to biology, control and artificial intelligence. MIT Press, ISBN 0-26258111- 6.
[5] Koza, J.1992. Genetic Programming. MITPress.
[6] Lande R, Arnold SJ (1983). "The measurement of selection on correlated characters". Evolution 37: 1210–26}.
[7] M. Mitchell.1996.An Introduction to Genetic Algorithms.MITPress.
[8] Noraini Mohd Razali, John Geraghty.2011.
Genetic Algorithm Performance with Different Selection Strategies in Solving TSP. WCE 2011, London UK. [9] Ryan C., Collins J.J. and O’Neill M. Grammatical Evolution: Evolutionary Automatic programming for an arbitary Language.
[10] Ryan C. and O’Neil M.2003. Grammatical
Evolution: A steady state approach.
[11] Suyanto.2008.Evolutionary Computation: Komputasi berbasis evolusi dan genetika. Bandung: Informatika.
[12] Suyanto.2011.Artificial Intelligence: Searching, Reasoning, Planning dan Learning (Cetakan kedua), Bandung: Informatika.
[13] Urbano Paulo, Georgiou Loukas. 2013. Improving Santa fe Trail using novelty search. http://dx.doi.org/10.7551/978-0-262-31709-
2ch137 [Online]
[14] Zusana Oplatkova, Ivan Zelinka, Roman
Senkerik.2008. Santa fe trail for artificial ant by means of analytic programming and evolutionary computation. International Journal of simulation System, Science and Technology. Volume 9, Number 3, September 2008, page 20.
